Copyright por TECSUP

INDICE
UNIDAD I: FUNDAMENTOS DE ESTADSTICA
1.
2.
3.
4.
5.

6.

7.
8.
9.

INTRODUCCIN ................................................................................ 1
OBJETIVOS ........................................................................................... 1
LOS PROCESOS INDUSTRIALES Y LA CALIDAD ...................... 1
LOS COSTOS DE LA CALIDAD ....................................................... 3
FUNDAMENTOS DE ESTADSTICA............................................... 5
5.1. Principios Bsicos De La Estadstica ...................................... 5
5.1.1. Resumen Numrico De Los Datos ............................ 8
5.1.2. El promedio muestral. ................................................ 8
5.1.3. La desviacin estndar muestral. .............................. 9
5.1.4. Presentacin Grfica De Los Datos ......................... 12
5.1.5. Construccin De Un Histograma De Frecuencias 13
5.1.6. Resumen Numrico De Un Histograma ................ 17
EJERCICIOS PROPUESTOS ............................................................. 21
6.1. Ejercicio 1 ............................................................................... 21
6.2. Ejercicio 2 ............................................................................... 22
6.3. Ejercicio 3 ............................................................................... 23
6.4. Ejercicio 4 ............................................................................... 23
6.5. Ejercicio 5 ............................................................................... 24
PREGUNTAS DE AUTOCOMPROBACIN ................................ 25
RESPUESTAS AL CUESTIONARIO ............................................... 26
REFERENCIAS ................................................................................... 26

UNIDAD II: MTODOS ESTADSTICOS MS EMPLEADOS

1.
2.
3.

4.

INTRODUCCIN .............................................................................. 28
OBJETIVOS ......................................................................................... 28
DISTRIBUCIONES DE PROBABILIDAD ....................................... 28
3.1. Experimento De Bernoulli ................................................... 31
3.2. Combinatoria ......................................................................... 31
DISTRIBUCIONES DISCRETAS IMPORTANTES........................ 33
4.1. Distribucin Binomial .......................................................... 33
4.1.1. Fundamento. .............................................................. 33
4.1.2. El modelo. ................................................................... 34
4.1.3. Ejemplo. ...................................................................... 34
4.1.4. Aplicacin. .................................................................. 35
4.1.5. Representacin grfica. ............................................. 35
4.2. Distribucin Hipergeomtrica ............................................ 36
4.2.1. Fundamento. .............................................................. 36
4.2.2. El modelo. ................................................................... 36
4.2.3. Ejemplo. ...................................................................... 37
4.2.4. Aplicacin. .................................................................. 37
4.2.5. Representacin grfica. ............................................. 37

Control Estadstico de los Procesos

4.3.

5.

6.

7.
8.
9.

Distribucin De Poisson ...................................................... 38

4.3.1. Fundamento. .............................................................. 38
4.3.2. El modelo. ................................................................... 38
4.3.3. Ejemplo. ...................................................................... 39
4.3.4. Aplicacin. .................................................................. 39
4.3.5. Representacin grfica. ............................................. 40
4.4. Nota Aclaratoria ................................................................... 40
DISTRIBUCIONES CONTINUAS IMPORTANTES ..................... 41
5.1. Distribucin Normal ............................................................ 41
5.1.1. Fundamento. .............................................................. 41
5.1.2. El modelo. ................................................................... 41
5.1.3. La distribucin normal estndar. ............................ 42
5.1.4. Ejemplo. ...................................................................... 43
5.1.5. Ejemplos complementarios. ..................................... 46
5.1.6. Aplicacin. .................................................................. 48
5.2. Distribucin Exponencial .................................................... 49
5.2.1. Fundamento. .............................................................. 49
5.2.2. El modelo. ................................................................... 49
5.2.3. Ejemplo. ...................................................................... 49
5.2.4. Aplicacin. .................................................................. 52
EJERCICIOS PROPUESTOS ............................................................. 52
6.1.
Ejercicio 1 ............................................................................. 52
6.2.
Ejercicio 2 ............................................................................. 53
6.3.
Ejercicio 3 ............................................................................. 53
6.4.
Ejercicio 4 ............................................................................. 53
6.5.
Ejercicio 5 ............................................................................. 53
PREGUNTAS DE AUTOCOMPROBACIN ................................ 54
RESPUESTAS AL CUESTIONARIO ............................................... 54
REFERENCIAS ................................................................................... 54

UNIDAD III: DIAGRAMAS DE CONTROL

1. INTRODUCCIN .............................................................................. 57
2. OBJETIVOS ......................................................................................... 57
3. GENERALIDADES ............................................................................ 57
4. FUNDAMENTO ESTADSTICO DE LOS DIAGRAMAS DE
CONTROL .................................................................................................. 60
4.1. Modelo Estadstico-Matemtico De Los Lmites De
Control.................................................................................... 66
4.2. Tamao de muestra vs. Frecuencia de muestreo ............. 70
5. NOCIONES COMPLEMENTARIAS............................................... 72
5.1. Subgrupos Racionales .......................................................... 72
5.1.1. Produccin instantnea. ........................................... 73
5.1.2. Produccin total. ....................................................... 73
5.2. Patrones De Comportamiento ............................................ 74
5.3. Ejercicios Propuestos............................................................ 78
5.3.1. Ejercicio 1 .................................................................... 78
5.3.2. Solucin....................................................................... 79

Control Estadstico de los Procesos

6.
7.
8.

5.3.3. Ejercicio 2 .................................................................... 79

5.3.4. Solucin....................................................................... 80
5.3.5. Ejercicio 3 .................................................................... 81
PREGUNTAS DE AUTOCOMPROBACIN ................................ 82
RESPUESTAS AL CUESTIONARIO ............................................... 82
REFERENCIAS ................................................................................... 83

UNIDAD IV: CONTROL DE PROCESOS POR VARIABLES

1.
2.
3.
4.

INTRODUCCION .............................................................................. 84
OBJETIVOS ......................................................................................... 84
LOS DIAGRAMAS DE CONTROL POR VARIABLES ................ 84
USO DE LOS DIAGRAMAS DE CONTROL ................................. 86
4.1. Diagramas De Promedio Y Rango ..................................... 86
4.2. Diagramas De Mediana Y Rango ......................................... 93
4.3. Diagramas De Individuales Y Rango .................................. 97
5. DESARROLLO DE LOS DIAGRAMAS DE CONTROL ............ 100
5.1. Diagramas De Promedio Y Rango ...................................... 100
5.1.1. Seleccin de la caracterstica de calidad a medir. 101
5.1.2. Desarrollo de un formato de tabulacin y grfica.101
5.1.3. Toma de muestras y registro de datos.................. 101
5.1.4. Clculo de los promedios de las muestras. .......... 102
5.1.5. Clculo del promedio de los promedios. ............. 102
5.1.6. Clculo de los rangos de las muestras. ................. 103
5.1.7. Clculo del promedio de los rangos. .................... 103
5.1.8. Determinacin de las escalas para los grficos. .. 103
5.1.9. Grfica de los puntos. ............................................. 104
5.1.10. Determinacin de los lmites de control para
los rangos. ............................................................................... 104
5.1.11. Revisin de si los rangos quedaron bajo control. 105
5.1.12. Determinacin de los lmites de control para los
promedios. .............................................................................. 107
5.1.13. Revisin de si los promedios quedaron
bajo control. ............................................................................ 107
5.2. Diagramas De Mediana Y Rango ..................................... 109
5.3. Diagramas De Individuales Y Rango .............................. 110
6. CRITERIOS PARA OPTAR ENTRE LOS DIFERENTES
DIAGRAMAS DE CONTROL POR VARIABLES .............................. 110
6.1. Diagrama De Promedio Y Rango ..................................... 110
6.2. Diagrama De Mediana Y Rango ....................................... 110
6.3. Diagrama De Individuales Y Rango ................................ 111
7. EJERCICIO PROPUESTO ............................................................... 111
8. PREGUNTAS DE AUTOCOMPROBACIN .............................. 112
9. RESPUESTAS AL CUESTIONARIO ............................................. 112
10. REFERENCIAS ................................................................................. 113

Control Estadstico de los Procesos

UNIDAD V: CONTROL DE PROCESOS POR ATRIBUTOS

1.
2.
3.
4.

INTRODUCCION ............................................................................ 115

OBJETIVOS ....................................................................................... 115
LOS DIAGRAMAS DE CONTROL POR ATRIBUTOS .............. 115
USO DE LOS DIAGRAMAS DE CONTROL ............................... 117
4.1. Diagramas p De Porcentaje De Rechazos .......................... 117
4.2. Diagramas np De Cantidad De Rechazos ........................ 122
4.3. Diagramas c De Cantidad De Defectos ............................. 125
5. DESARROLLO DE LOS DIAGRAMAS DE CONTROL ............ 128
5.1. Diagramas De Porcentaje De Rechazos .............................. 128
5.1.1. Seleccin de las caractersticas de calidad
a controlar............................................................................... 129
5.1.3. Toma de muestras y registro de datos.................. 130
5.1.4. Clculo de los porcentajes de rechazos en
las muestras. ........................................................................... 131
5.1.5. Clculo del promedio de los porcentajes ............. 131
5.1.6. Determinacin de las escalas para los grficos. .. 132
5.1.7. Grfica de los puntos. ............................................. 132
5.1.8. Determinacin de los lmites de control............... 132
5.1.9. Revisin de si los puntos quedaron bajo control. 133
5.2. Diagramas Np De Cantidad De Rechazos ...................... 136
5.3. Diagramas C De Cantidad De Defectos .......................... 137
6. CRITERIOS PARA OPTAR ENTRE LOS DIFERENTES
DIAGRAMAS DE CONTROL POR ATRIBUTOS .............................. 138
6.1. Diagrama p .......................................................................... 138
6.2. Diagrama np ........................................................................ 138
6.3. Diagrama c ........................................................................... 138
7. EJERCICIOS PROPUESTOS ........................................................... 138
7.1. Ejercicio 1 ............................................................................. 138
7.1.1. Solucin..................................................................... 139
7.2. Ejercicio 2 ............................................................................. 139
7.2.1. Solucin..................................................................... 140
8. PREGUNTAS DE AUTOCOMPROBACIN .............................. 141
9. RESPUESTAS AL CUESTIONARIO ............................................. 141
10. REFERENCIAS ................................................................................. 142
11. ANEXO I: DISTRIBUCIN ACUMULATIVA NORMAL
ESTANDAR ............................................................................................. 143
12. ANEXO II: DIAGRAMA PARA EL CONTROL POR
VARIABBLES ........................................................................................... 145
13. ANEXO III: FACTORES Y FORMULAS PARA LOS LMITES DE
CONTROL EN LOS DIAGRAMAS DE CONTROL POR
VARIABLES ............................................................................................. 146
14. ANEXO IV: DIAGRAMA PARA EL CONTROL POR
ATRIBUTOS ............................................................................................. 147
15. ANEXO V: FORMULAS PARA LOS MMITES DE CONTROL
EN LOS DIAGRAMAS POR ................................................................. 148
16. BIBLIOGRAFA ................................................................................ 149

Control Estadstico de los Procesos

UNIDAD I

FUNDAMENTOS DE ESTADSTICA

1. INTRODUCCIN
Cuando vemos por televisin un partido de ftbol, al final del partido
siempre salen las estadsticas que nos cuentan cuntas veces pate cada
equipo al arco, cuntas tarjetas amarillas y rojas sac el rbitro, o cuntos
goles fallaron los delanteros de nuestra querida seleccin.
En realidad, lo que nos estn presentando es una recopilacin de datos. Pero,
la estadstica va ms all de una simple recopilacin de datos; la estadstica,
adems, se ocupa de observar la tendencia que siguen los datos recopilados
y analizar si la tendencia seguida es normal.
Las tcnicas estadsticas pueden, de esta manera, aplicarse a los procesos
industriales, a fin de asegurar el adecuado curso de los mismos, dentro de
ciertas especificaciones tcnicas y con ayuda de ciertas herramientas de la
calidad.
2. OBJETIVOS
Relacionar los conceptos de Calidad, Control de Procesos y Control
Estadstico.
Manejar adecuadamente medidas bsicas de Tendencia Central y de
Dispersin para un conjunto de datos numricos.
Utilizar herramientas bsicas de estadstica y calidad como son la
Distribucin de Frecuencias y el Histograma de Frecuencias.

3. LOS PROCESOS INDUSTRIALES Y LA CALIDAD

El Control Estadstico de los
Procesos se relaciona en mucho
con el concepto de calidad, en
tanto el propsito perseguido por
el Control Estadstico de los
Procesos busca asegurar la calidad
en la fabricacin o en la
elaboracin de los productos
mediante el empleo de tcnicas
estadsticas.

Control Estadstico de los Procesos

A comienzos de este siglo XXI guarda an absoluta validez aquella frase que
a fines del siglo XIX enunciara Lord Kelvini: cuando es posible medir algo,
se sabe de qu se est hablando. Esto viene a colacin, pues la manera que
el Control Estadstico de los Procesos intenta asegurar el curso adecuado de
los procesos es cuantificando alguna caracterstica de calidad.
El concepto de calidad asociado al contexto antes mencionado es el que
compara el producto obtenido con relacin a su diseo y que es denominado
calidad de conformacin. Si bien se puede hablar de calidad de
conformacin en la recepcin de la materia prima, en el procesamiento de los
materiales y en la obtencin del producto final, en el presente curso nos
centraremos en los procesos de transformacin de los materiales, ya que es
aqu donde de manera interna una empresa puede lograr una importante
ventaja competitiva de aplicar adecuadamente la tcnica estadstica ms
adecuada al reducir sus costos de produccin, principalmente por poder
identificar y corregir desviaciones, de tal forma que se pueda tener el
proceso bajo control.
Slo sabremos si un proceso est bajo control insistimos si cuantificamos
alguna caracterstica de calidad. Pero, cmo identificar una caracterstica de
calidad? Comencemos por diferenciar los tipos en los que se puede clasificar
las caractersticas de calidad: variables y atributos.
Una caracterstica de calidad puede considerarse como una variable si es
susceptible de ser medida en una escala continua.
Una caracterstica de calidad puede considerarse como un atributo si no es
susceptible de ser medida en una escala continua, pero permite diferenciar
entre productos defectuosos y no defectuosos.
A fin de aclarar esta clasificacin, pensemos en un tornillo de cabeza
hexagonal. En este tornillo podemos medir el dimetro de la rosca, el largo
del tornillo, las dimensiones de la cabeza, el peso del tornillo; entonces,
pueden considerarse como variables en la calidad del tornillo. Por otro lado,
al preguntarnos est oxidado?, es muy rugoso?, es muy poroso?,
presenta quies?, est doblado?, la respuesta ser s o no, y llevar a
decidir si el tornillo est bien fabricado o est defectuoso (pasa o no pasa);
entonces, la oxidacin, la rugosidad, la porosidad, la quiadura, el doblado
pueden considerarse como atributos en la calidad del tornillo.
Con justa razn, alguien podr inferir: si se trata de cuantificar la calidad,
cmo hacemos con los atributos si stos no se pueden medir?. La respuesta
es por dems sencilla: no podemos medir los atributos, pero podemos por
ejemplo contar cuntos defectos (oxidado + muy rugoso + quiado +
doblado = 4 defectos) presenta un tornillo. O tambin podramos contar cul
es el atributo (defecto) que aparece con mayor frecuencia en un lote de
tornillos.

Control Estadstico de los Procesos

4. LOS COSTOS DE LA CALIDAD

Cuntas veces he escuchado decir con espero
ingenuo entusiasmo y preocupante facilidad la
calidad no cuesta? Slo habra que pensar en
CAPACITACIN para identificar rpidamente un
costo de calidad; y ni qu decir si pensamos en
CULTURA, porque as es: LA CALIDAD ES
CUESTIN DE CULTURA.

Pero, no slo el capacitar a nuestro personal nos costar para trabajar con
calidad. Es ms, basta decir que son cuatro las categoras de costos de la
calidad, a saber:

Costos de prevencin
Costos de evaluacin
Costos de fallas internas
Costos de fallas externas

Los costos de prevencin son aquellos que buscan de anticipar, mediante el

diseo y la planificacin, cualquier disconformidad en los procesos.
Los costos de evaluacin son aquellos en los que se incurre al medir
variables o inspeccionar los procesos con el fin de asegurar la calidad de los
mismos.
Los costos de fallas internas se generan cuando un producto debido a fallas
en el proceso resulta defectuoso, pero el defecto es descubierto antes que el
producto sea entregado al consumidor.
Los costos de fallas externas son los que se generan cuando un producto
debido a fallas en el proceso resulta defectuoso, y el defecto es detectado
por el consumidor.

A continuacin se presenta un cuadro detallando los costos considerados en

cada categora:

Control Estadstico de los Procesos

Cuadro N 01

Costos de
Prevencin

Costos de
Evaluacin

Costos de
Fallas internas

Costos de
Fallas externas

Planeacin e
ingeniera de
calidad
Revisin de nuevos
productos
Diseo de
productos y
procesos
Control de
procesos
Supervisin
Capacitacin
Obtencin y
anlisis de datos de
calidad

Inspeccin y
pruebas del
material entrante
Inspeccin y
pruebas del
producto final
Materiales y
servicios
consumidos
Conservacin de
los equipos de
pruebas

Desperdicios
Retrabajos
Reinspeccin
Anlisis de fallas
Prdidas en
produccin
Tiempos muertos
Subvaluacin

Reclamos
Devoluciones
Servicios en
garanta
Indemnizaciones
Costos de
oportunidad

Puede servir de ejemplo, para entender esta categorizacin, el pensar en una

empresa dedicada a la fabricacin de sillas: El ensear a los operarios el
procedimiento correcto para fabricar las sillas es un costo preventivo. El
inspeccionar la calidad de los tubos de acero que llegan a la planta y que
servirn para el esqueleto de las sillas es un costo de evaluacin. Si un lote
de sillas sale con manchas decoloradas, la empresa deber vender a un
menor precio estas sillas con yaya, incurriendo en un costo de falla interna.
Si un lote de sillas pierde con facilidad los tornillos que fijan el asiento, los
consumidores no harn una buena propaganda y la empresa podra perder
un sector del mercado, incurriendo en un costo indirecto por oportunidad
perdida.
De lograr identificar y CUANTIFICAR los costos mencionados en el cuadro,
una empresa estara ad-portas de poder realizar un anlisis de estos costos, a
fin de buscar oportunidades de mejora, introducir estas mejoras y llegar a
una reduccin sustancial de los costos.
Como es lgico suponer, la empresa ha de contrapesar el invertir en la
prevencin y la evaluacin de la calidad versus gastar por causa de las fallas
internas y externas. Existen innumerables casos de empresas que por cada
dlar invertido, segn el rubro de la empresa y segn el nfasis puesto en el
aseguramiento de la calidad, han podido ahorrar desde US$10 hasta US$100
(por cada dlar invertido!) y en algunas empresas la retribucin ha sido an
mayor, gracias a que el prevenir y evaluar a tiempo les ha permitido lograr
una considerable reduccin de fallas.

Control Estadstico de los Procesos

5. FUNDAMENTOS DE ESTADSTICA
5.1. Principios bsicos de la estadstica
Antes que realizar elaborados clculos estadsticos, las tcnicas
estadsticas utilizadas en el control de procesos se apoyan en el uso de
ciertas herramientas de la calidad, las cuales se fundamentan en los
siguientes principios bsicos:

1
no hay dos cosas
exactamente
iguales

6
2
las variaciones son
medibles

PRINCIPIOS
BSICOS EN
ESTADSTICA

la curva normal de
distribucin se
deforma por
causas asignables

5
es conocida la
curva de
distribucin de los
procesos

las variaciones
siguen un patrn
determinado

4
lecturas del mismo
tipo tienden a
agruparse hacia el
centro

Figura N 1
A continuacin, desarrollaremos y trataremos de comprender cada uno
de estos principios bsicos:

1. No hay dos cosas exactamente iguales.

Cuntas veces nos hemos sorprendido cuando con

gran facilidad una madre logra diferenciar a sus
gemelos, quienes para nosotros son dos gotas de
agua, y es que hasta dos gotas de agua presentan
pequeas diferencias.
Quienes se desenvuelven en el mbito de la produccin
industrial traern ahora a la mente los conceptos de tolerancia
dimensional, tolerancia geomtrica y acabado superficial

Control Estadstico de los Procesos

como muestra clara de aceptacin de las diferencias entre

productos tericamente y aparentemente iguales.
2. Las variaciones son medibles.
Del principio anterior, hemos aceptado la
existencia de variaciones en un producto o en
un proceso. El hecho es que de no monitorear
estas variaciones, tal vez stas se vean
incrementadas con el tiempo, tanto en
magnitud como en frecuencia, hasta el punto
de hacer colapsar el proceso. Es decir, nos
vemos obligados a medir los resultados de
una operacin o de un proceso a fin de identificar la aparicin de
algn problema.
3. Las variaciones siguen un patrn determinado.
Al revisar las mediciones tomadas en
una operacin o en un proceso,
2= xxx
rpidamente notaremos una tendencia
3= xxxxx
4= xxxxxxxx
que proporciona la base de este tercer
5= xxxxxxxxxxxxx
principio: las cosas varan de acuerdo a
6= xxxxxxxxxxxxxxxxx
un patrn establecido. Aunque suene un
7= xxxxxxxxxxxxxxxxxxxxx
8= xxxxxxxxxxxxxxxx
tanto determinstico, no lo es tanto como
9= xxxxxxxxxxxx
el as estaba escrito ni tampoco es la
10= xxxxxxxxx
persona encargada del proceso quien
11= xxxx
establece el patrn a seguir. Son las
12= xx
tcnicas estadsticas las cuales han
determinado de manera formal cul es
la tendencia que siguen los procesos. La figura muestra el resultado
de lanzar varias veces un par de dados; esta figura recibe el nombre
de distribucin de frecuencias y en ella se nota el patrn clsico de los
eventos aleatorios que se conoce como distribucin normal.
4. Lecturas del mismo tipo tienden a agruparse en el centro.
Basta observar nuevamente la figura anterior para confirmar este
principio. En general y bajo condiciones aleatorias, se puede decir
que cada vez que se miden cosas del mismo tipo, la mayora de las
lecturas queda cerca del centro.
5. Es conocida la curva de distribucin de los procesos.
Este principio es consecuencia de los cuatro anteriores y remarca
que la forma de la curva de distribucin para las partes fabricadas
en un proceso industrial es la curva normal de distribucinii y que
esta forma se debe a las variaciones inherentes a los procesos de
fabricacin. Estas causas tienen su origen en alguna de las cinco
reas (las 5 Ms) mostradas en el siguiente diagrama de pescado:

Control Estadstico de los Procesos

Mquinas

Materiales

DIMENSIN
Mtodos

Medio
ambiente

Mano de
obra

Figura N 2

Este diagrama conocido tambin como diagrama de Ishikawaiii o

diagrama de causa-efecto es utilizado, con el complemento de
espinas secundarias, para investigar las posibles causas de los
problemas de un proceso.

6. La curva de distribucin normal se deforma por causas asignables.

Previo a la explicacin de este principio, merece hacer la distincin
entre los dos tipos de causas que originan los problemas en los
procesos: las causas aleatorias y las causas asignables.
Las causas aleatorias, fortuitas o del sistema son aquellas inherentes a
los procesos y siempre estarn presentes. Si un proceso genera
variaciones en el producto slo debido a causas aleatorias, se dice
que el proceso es estable o que est bajo control estadstico. Una
prueba de un proceso estable es que los resultados se distribuirn
tendiendo a formar la curva normal de distribucin.
Las causas asignables son aquellas que no son inherentes al sistema y
que pueden considerarse como causas subsanables, como por
ejemplo un operario inexperto, un material defectuoso, excesivo
calor en la zona de trabajo, etc.
Despus de esto ya podemos entender cmo las variaciones debido
a causas asignables tienden a deformar la curva de distribucin
normal. Para mayor ilustracin, la figura siguiente muestra algunas
deformaciones de la curva normal.

Control Estadstico de los Procesos

Las medidas se
cargan
a
la
derecha

Las medidas se cargan a

la izquierda

DISTRIBUCIN
NORMAL

Medidas en dos
grupos diferentes

Medidas en dos grupos

diferentes superpuestos

Figura N 3

5.1.1.

Resumen numrico de los datos

De los principios bsicos arriba enunciados, los que destacan por su
facilidad para la representacin numrica (la cuantificacin!) son los
referidos a la tendencia central de los datos y a la variabilidad de los
mismos. Y precisamente, son dos los ms importantes clculos que se
efectan para resumir numricamente la totalidad de los datos
tomados: el promedio muestral y la desviacin estndar muestraliv.

Y ya que mencionamos el trmino muestral, definamos una

muestra como la coleccin de valores observados a partir de un
conjunto ms grande. Este ltimo conjunto abarca la totalidad
de los objetos de estudio y se denomina poblacin.
Hecha esta explicacin, pasemos a detallar el promedio y la
desviacin estndar.
5.1.2.

El promedio muestral.
Supongamos que el tamao de una muestra es igual a n, por tanto,
las observaciones en dicha muestra sern:
x1, x2, x3, ... xn-1, xn
El promedio muestral (o media muestral) ser:
x1 + x2 + x3 + ... + xn-1 + xn
x=
n

Control Estadstico de los Procesos

5.1.3.

La desviacin estndar muestral.

Supongamos que el tamao de una muestra es igual a n, por tanto,
las observaciones en dicha muestra sern:
x1, x2, x3, ... xn-1, xn
Definamos, primero, la varianza muestral como:
S2=

(x1 x)2 + (x2 x)2 + (x3 x)2 + ... + (xn-1 x)2 + (xn x)2
n-1

Y observamos que la varianza es la suma de los cuadrados de las

desviaciones de cada observacin con respecto al promedio muestral,
dividida entre el tamao de la muestra menos uno; teniendo el
inconveniente de presentar el resultado en unidades al cuadrado,
por lo cual se prefiere utilizar la raz cuadrada de la varianza.
A este resultado se le conoce como la desviacin estndar muestral:
S=

(x1 x)2 + (x2 x)2 + (x3 x)2 + ... + (xn-1 x)2 + (xn x)2
n-1

Resultara, por supuesto, bastante tedioso el ingresar cada una de las

desviaciones, sobre todo si el tamao de la muestra es bastante
elevado. Felizmente, las calculadoras cientficas y las hojas
electrnicas de clculo realizan funciones estadsticas y basta ingresar
los datos para que calculen automticamente x y S. La siguiente
figura muestra una hoja de Excel con 15 observaciones (celdas
A1:A15), as como el promedio (celda C1) y la desviacin estndar
(celda C3) de las mismas.

Figura N 4
Para comprender mejor la diferencia y el significado de tendencia
central y variabilidad, revisemos los siguientes ejemplos:

Control Estadstico de los Procesos

Ejemplo 1.
De una mquina empacadora de fideos se toma una muestra de 3
bolsas, obtenindose las siguientes lecturas: 451 g., 452g., 453 g.
De otra mquina se toma una muestra de tambin 3 bolsas,
obtenindose las siguientes lecturas: 448 g., 452 g., 456 g.
Hallar el promedio y la desviacin estndar para cada muestra.
Solucin
Muestra 1:

x1 = 451
x2 = 452
x3 = 453
x = (x1 + x2 + x3)/n = (451 + 452 + 453)/3 => . x=452 .
S2 = {(x1 x)2 + (x2 x)2 + (x3 x)2}/(n-1) = {(1)2 + (0)2

+ (1)2}/(2)
S2 = 1 => . S=1 .
Muestra 2:

x1 = 448
x2 = 452
x3 = 456
x = (x1 + x2 + x3)/n = (448 + 452 + 456)/3 => . x=452 .
S2 = {(x1 x)2 + (x2 x)2 + (x3 x)2}/(n-1) = {(4)2 + (0)2

+ (4)2}/(2)
S2 = 16 => . S=4 .
Se puede apreciar que ambas muestras tienen el mismo promedio, a
pesar de tener diferentes desviaciones estndar.
Ejemplo 2.
De una mquina empacadora de fideos se toma una muestra de 3
bolsas, obtenindose las siguientes lecturas: 451 g., 452g., 453 g.
De otra mquina se toma una muestra de tambin 3 bolsas,
obtenindose las siguientes lecturas: 952 g., 953 g., 954 g.
Hallar el promedio y la desviacin estndar para cada muestra.
Solucin
Muestra 1:

x1 = 451
x2 = 452
x3 = 453
x = (x1 + x2 + x3)/n = (451 + 452 + 453)/3 => . x=452 .
S2 = {(x1 x)2 + (x2 x)2 + (x3 x)2}/(n-1) = {(1)2 + (0)2

+ (1)2}/(2)
S2 = 1 => . S=1 .
Muestra 2:

10

x1 = 952
x2 = 953

Control Estadstico de los Procesos

x3 = 954
x = (x1 + x2 + x3)/n = (952 + 953 + 954)/3 => . x=953 .
S2 = {(x1 x)2 + (x2 x)2 + (x3 x)2}/(n-1) = {(1)2 + (0)2
+ (1)2}/(2)
S2 = 1 => . S=1 .
Se puede apreciar que ambas muestras tienen la misma desviacin
estndar, a pesar de tener diferentes promedios.
Al analizar ambos ejemplos, podemos observar lo siguiente:
-

Cuanto ms alta sea la magnitud de las lecturas, mayor ser la

magnitud del promedio.
Cunto ms alta sea la dispersin de los datos, mayor ser la
magnitud de la desviacin estndar.

Estas observaciones nos llevan a dos importantsimas conclusiones:

-

El promedio es un reflejo de la magnitud de los datos

muestrales.
La desviacin estndar refleja solamente la dispersin de los
datos alrededor del promedio.
MUESTRA

VARIABILIDAD

TENDENCIA
CENTRAL

Magnitud

Dispersin

Promedio
Desviacin estndar

Figura N 5

Control Estadstico de los Procesos

11

5.1.4.

Presentacin grfica de los datos

Los principios bsicos de la estadstica nos conducen a la curva de
distribucin normal, lo que a su vez nos conduce a graficar los datos
a fin de compararlos con la distribucin normal. Adems, si
tuviramos que emplear un elevado tamao de muestra, sera poco
didctico presentar los datos simplemente tabulados, ya que
veramos slo un denso conjunto de nmeros en donde sera muy
difcil detectar la tendencia o patrn que siguen los datos observados;
lo lgico sera tratar de juntar los datos en grupos, de tal manera que
la informacin sea ms digerible.
Una de las herramientas de la calidad que permite de manera
especfica condensar grficamente lo antes expuesto es el histograma
de frecuencias. En el control estadstico de los procesos, el histograma
de frecuencias es considerado como una fotografa del proceso y
como toda fotografa, adems de la fecha en que fue tomada, no nos
puede proporcionar informacin que sea funcin del tiempo.
Un ejemplo muy comn de histograma es el que aparece
peridicamente en diarios o revistas preguntando por la gestin del
Presidente de la repblica. Para escaparnos del contexto poltico
actual, supongamos que se trata de una encuesta en el mes de
noviembre del ao 2052:

Somos ms de 32 millones de peruanos (poblacin),

pero, por obvios motivos econmicos y tcnicos, no
todos pueden ser encuestados; slo se encuestaron a 5
mil personas (tamao de muestra).

No dira mucho si la encuestadora slo afirmara 4 mil de los 5

mil entrevistados aprueban la gestin del presidente, ni
tampoco sera dable que publicara la opinin de cada uno de los
5 mil encuestados. Las opiniones se agrupan en intervalos, por
ejemplo, segn las edades o segn niveles socio-econmicos de
los encuestados.
Al comparar la forma del histograma con la curva normal de
distribucin, se ver una deformacin del histograma de
frecuencias debido a causas asignables que son estudiadas por
los analistas polticos: ... es evidente que el presidente haya
logrado un mayor porcentaje de aceptacin entre los encuestados
entre 35 y 55 aos, desde que hace 2 semanas decret la
jubilacin a los 55 aos, ... la mayora de jvenes no estn
respaldando la gestin del presidente ante la idea lanzada de
privatizar las universidades nacionales.

Algo similar sucede en los procesos industriales, en donde se espera

que el histograma de frecuencias s se parezca a la curva de
distribucin normal para poder considerar que el proceso estudiado
se encuentra bajo control estadstico. Cualquier tendencia distinta

12

Control Estadstico de los Procesos

podr ser atribuida a alguna causa asignable y el analista industrial

deber identificar y aminorar (si no eliminar) toda causa asignable.
Es evidente que, para mantener estables nuestros procesos y tomar
las medidas y las acciones ms adecuadas para este propsito,
requerimos de excelentes y sumamente confiables encuestadoras
industriales que nos den la mejor informacin para poder realizar
un buen diagnstico. Procedamos a revisar, paso a paso, cmo se
construye un histograma de frecuencias.
5.1.5.

Construccin de un histograma de frecuencias

Con la ayuda de un ejemplo, describiremos cada paso a seguir en la
elaboracin de un histograma de frecuencias. Pongamos el caso de
una empresa dedicada a la produccin de bridas, considerndose el
dimetro del agujero de la brida como un dato importante para el
control del proceso de fabricacin.
1. Recopilacin de datos.
Si la empresa est familiarizada con la calidad, podremos
obtener los datos a partir de los reportes de inspeccin. Caso
contrario, tendremos que recopilar lecturas de diversas fuentes
o simplemente comenzar a muestrear la produccin.
Cualquiera haya sido la forma de obtener los datos (de
preferencia, la primera), supongamos que hemos logrado las
siguientes 50 observaciones, tomadas para verificar si las bridas
se encuentran dentro de las especificaciones tcnicas.
Cuadro N 01

Dimetro de brida (mm)

406
405
403
407
406
405
404
408
406
405

409
406
409
404
405
406
410
406
405
406

403
407
406
408
403
405
406
405
404
409

408
402
405
406
408
406
405
406
405
406

406
410
406
405
403
405
403
407
406
405

2. Bsqueda de la menor y la mayor de todas las lecturas.

Lectura mnima = 402 mm
Lectura mxima = 410 mm

Control Estadstico de los Procesos

13

3. Clculo del rango de las medidas.

Rango = Lectura mxima Lectura mnima = 410 mm 402 mm
Rango = 8 mm
4. Determinacin del nmero de intervalos en el histograma.
En un histograma, se divide el rango en intervalos ms
pequeos, de acuerdo al siguiente cuadro:
Cuadro N 02

Gua para determinar la cantidad de intervalos en un

histograma
Tamao de la muestra
< 50
de 50 a 100
de 101 a 150
> 150

Nmero de intervalos
de 5 a 7
de 6 a 10
de 7 a 12
de 10 a 12

Existe una regla prctica que aconseja un nmero de intervalos

aproximadamente igual a la raz cuadrada del tamao de la
muestra; regla prctica que coincide en mucho con el cuadro de
arriba.
Si, en nuestro ejemplo de las bridas, hacemos caso a esta ltima
recomendacin, con un tamao de muestra de 50, deberamos
tomar alrededor de 7 intervalos.
5. Determinacin de la amplitud de los intervalos.
La amplitud de cada intervalo se obtiene dividiendo el rango
entre el nmero de intervalos obtenido en el paso anterior. De
ser necesario, se debe redondear a un nmero manejable.
Amplitud = rango/(nmero de intervalos) = 8/7
Convendra tomar una amplitud de 1.
6. Determinacin de los lmites de los intervalos.
Puesto que la lectura ms pequea es 402, es lgico que ste sea
el primer intervalo. Los siguientes intervalos se irn formando
de 1 en 1 hasta 410 (la lectura ms grande).
7. Determinacin de las frecuencias.
Revisando el cuadro que agrupaba todos los datos, se debe
marcar en cada intervalo la lectura que corresponda, tal como
muestra la siguiente distribucin de frecuencias:

14

Control Estadstico de los Procesos

Cuadro N 03

Distribucin De Frecuencias
intervalo
marca
frecuencia
402
403
404
405
406
407
408
409
410

x
xxxxx
xxx
xxxxxxxxxxxxx
xxxxxxxxxxxxxxxx
xxx
xxxx
xxx
xx

1
5
3
13
16
3
4
3
2

8. Grfica del histograma de frecuencias.

Tal como muestra la figura:

histograma de frecuencia para los

dimetros de las bridas

freceuncia

20
15
10
5

410

409

408

407

406

405

404

403

402

0
dimetro (mm)

Figura N 6
EJERCICIO
Una fbrica que est dedicada a la elaboracin de bebidas gaseosas
centra su atencin en una de las lneas de produccin, en donde se
quiere llevar el control del proceso de llenado de las botellas de 1
litro, para lo cual se toma como cero de referencia 960 ml. De esta
manera, los datos recopilados son tales que al sumarles el cero se
obtendr el contenido real de cada botella (20 significa que la botella
contiene 960+20=980 ml; 50 significa que la botella contiene
960+50=1010 ml).

Control Estadstico de los Procesos

15

En base a las lecturas tabuladas a continuacin, se desea construir el

histograma de frecuencias para este proceso.
Cuadro N 04

contenido en las botellas de 1 litro de cutracola

(ml)(cero = 960 ml)
32
26
42
53
36
47
32
41
20
28

44
51
46
37
40
40
39
37
50
51

44
23
43
25
36
58
43
31
33
40

42
33
45
38
48
45
31
39
50
52

57
27
44
44
55
38
45
33
51
43

SOLUCIN
El primer paso para el desarrollo del histograma (recopilacin de
datos) es justamente dato del problema, por lo cual pasaremos a
ejecutar el resto de la secuencia.

16

Bsqueda de la menor y la mayor de todas las lecturas.

Lectura mnima = 20 ml
Lectura mxima = 58 ml

Clculo del rango de las medidas.

Rango = Lectura mxima Lectura mnima = 58 ml 20ml
Rango = 38 ml

Determinacin del nmero de intervalos en el histograma.

# de intervalos
50 7

Determinacin de la amplitud de los intervalos.

Amplitud = rango/(nmero de intervalos) = 38/7 = 5,42
Convendra tomar una amplitud de 5.

Determinacin de los lmites de los intervalos.

Puesto que la lectura ms pequea es 20, es lgico que ste sea el
lmite inferior del primer intervalo. Los siguientes intervalos se
irn formando de 5 en 5 hasta abarcar 58 (la lectura ms grande).

Determinacin de las frecuencias.

Ante todo, debe notarse que, por el hecho de buscar nmeros
manejables para la cantidad y la amplitud de los intervalos,

Control Estadstico de los Procesos

finalmente resulta que la distribucin de frecuencias queda

conformada por 8 intervalos.
Cuadro N 05

Distribucin de frecuencias
Intervalo
marca
frecuencia
20-24
25-29
30-34
35-39
40-44
45-49
50-54
55-59

xx
xxxx
xxxxx xx
xxxxx xxx
xxxxx xxxxx
xxx
xxxxx x
xxxxx xx
xxx

2
4
7
8
13
6
7
3

Grfica del histograma de frecuencias.

La cual es la meta final de este ejercicio.

Figura N 7
5.1.6.

Resumen numrico de un histograma

Si nosotros fusemos los encargados de analizar el histograma,
nuestro primer problema sera el determinar los valores de tendencia
central y de dispersin, ya que no contamos con los datos puntuales;
o si contamos con ellos, pues sera un tanto tedioso estar

Control Estadstico de los Procesos

17

retrabajndolos cuando ya contamos con el

frecuencias.

histograma de

Cmo hacer para individualizar los datos que han sido agrupados
por intervalos?
La respuesta obliga a definir el concepto de marca de clase: la marca
de clase no es otra cosa que el punto medio de cada intervalo, es
decir, el promedio de los lmites de cada intervalo. Lo que se
pretende con la marca de clase es aproximar cada una de las lecturas
de un intervalo a su promedio. Dicho en otras palabras, cada dato se
convierte en su marca de clase, cada lectura se trabaja en funcin a
esta marca de clase.
Pasemos, entonces, a ver cmo calculamos el promedio y la
desviacin estndar a partir de los datos de un histograma.
Tomemos como base el ltimo histograma generado. En l,
regresando a la distribucin de frecuencias, podemos identificar lo
siguiente:
Cuadro N 06

Distribucin de frecuencias
Intervalo
Marca de
Frecuencia
clase
20-24
25-29
30-34
35-39
40-44
45-49
50-54
55-59

22
27
32
37
42
47
52
57

2
4
7
8
13
6
7
3

Podemos asumir como que tuviramos 2 lecturas de 22 ml (1er.

intervalo), 4 lecturas de 27 ml (2do. intervalo), etc.
Por lo tanto, si queremos calcular el promedio, deberamos actuar de
la siguiente manera:
x = (22 + 22 + 27 + 27 +27 +27 +...+ 57 + 57 + 57)/50
x
=
[(2)(22)+(4)(27)+(7)(32)+(8)(37)+(13)(42)+(6)(47)+(7)(52)+(3)(57)]/50
x = 40,7 ml

18

Control Estadstico de los Procesos

La frmula utilizada la podemos generalizar de la siguiente manera:

x=

Donde:

f1.m1 + f2.m2 + f3.m3 + ... + fn-1.mn-1 + fn.mn

n

x = promedio aproximado de la muestra

f = frecuencia
m = marca de clase
n = tamao de la muestra

Se sugiere comparar esta ltima frmula con la frmula de

promedios presentada en la pgina 7.
De manera similar, podemos proceder para estimar la varianza a
partir de la informacin brindada en la distribucin de frecuencias,
recordando que la varianza es la suma de los cuadrados de las
desviaciones dividida entre el tamao de la muestra menos uno. Por
tanto, debemos actuar de la siguiente manera:
S2=[(22-40.7)2+(22-40.7)2+(27-40.7)2+(27-40.7)2+(27-40.7)2+(2740.7)2+...]/(50-1)
o lo que es lo mismo:
S2=[2.(22-40.7)2+4.(27-40.7)2+...+7.(52-40.7)2+3.(57-40.7)2]/(50-1)
S2 = 82,46

con lo cual: S = 9,08 ml

La frmula utilizada la podemos generalizar de la manera siguiente:

S2=

f1(x1 x)2 + f2(x2 x)2 + f3(x3 x)2 + ... + fn-1(xn-1 x)2 + fn(xn x)2
n-1
Donde: S2 = varianza aproximada de la muestra
f = frecuencia
m = marca de clase
n = tamao de la muestra
Se sugiere comparar esta ltima frmula con la frmula de varianza
presentada en la pgina 7.
Este ejercicio merece un par de comentarios:

El manejar las frmulas arriba utilizadas requiere de un extremo

esmero y gran cuidado en el tratamiento de los datos, debido a lo
trabajoso de las frmulas. Una forma bastante recomendable para

Control Estadstico de los Procesos

19

guardar el orden es el trabajar de manera tabulada, tal como se

muestra a continuacin:
Cuadro N 07

Contenido de
Las botellas de 1 litro
resumen numrico del histograma
m f f.m m-x
22 2
44 -18.7
27 4
108 -13.7
32 7
224 -8.7
37 8
296 -3.7
42 13 546
1.3
47 6
282
6.3
52 7
364 11.3
57 3
171 16.3
50 2035
x= 40.7

(m-x)2 f.(m-x)2
349.69
699.38
187.69
750.76
75.69
529.83
13.69
109.52
1.69
21.97
39.69
238.14
127.69
893.83
265.69
797.07
4040.50
2
S = 82.45918
S= 9.08070

Al inicio del apartado, mencionamos que los clculos efectuados eran

aproximados. Sera bueno ver cun aproximados han resultado
nuestros clculos.
Si hubisemos trabajado con la totalidad de los datos, obtendramos:
Cuadro N 08

Contenido de
Las botellas de 1 litro
resumen numrico de los datos
32
44
26
51
42
46
53
37
36
40
47
40
32
39
41
37
20
50
28
51
x = 40.56 ml
S = 8.96969956 ml

20

44
23
43
25
36
58
43
31
33
40

42
33
45
38
48
45
31
39
50
52

57
27
44
44
55
38
45
33
51
43

Control Estadstico de los Procesos

Con lo que tendramos, pues, una muy buena aproximacin al haber

considerado:
x = 40,7 ml (contra 40,56, hay un error de 0,35%)
S = 9,08 ml (contra 8,97, hay un error de 1,24%)
6.

EJERCICIOS PROPUESTOS
6.1.

Ejercicio 1
Identifique una operacin o un proceso en la empresa donde usted
labora y encuentre, para ese caso especfico, ejemplos CONCRETOS que
generen costos en calidad para las categoras mencionadas a
continuacin:
Costo de prevencin:
-

Adiestramiento_____________________________________________
___________________________________________________________

Control de procesos_________________________________________
_______________________________________________________________

Supervigilancia_____________________________________________
___________________________________________________________

Costo de evaluacin:________________________________________
_______________________________________________________________

Inspeccin de materias prima________________________________________

_______________________________________________________________

Pruebas en el producto_____________________________________________
_______________________________________________________________

Conservacin de la precisin del equipo de pruebas______________________

_______________________________________________________________

Costo de fallas internas:

-

Subvaluacin del producto __________________________________

___________________________________________________________

Control Estadstico de los Procesos

21

Re inspeccin_______________________________________________
___________________________________________________________

Costo de fallas externas:

-

Reclamos__________________________________________________
___________________________________________________________

Garantas __________________________________________________
___________________________________________________________

Devolucin de productos ____________________________________

_______________________________________________________________

6.2.

Ejercicio 2
Identifique una operacin o un proceso en la empresa donde usted
labora y encuentre, para ese caso especfico, un parmetro importante en
el control de la operacin o el proceso. Complete el diagrama colocando
en las espinas secundarias ejemplos CONCRETOS de causas que
generen problemas dentro de las reas indicadas:

Materiales

Mtodos

Mquinas

Medio
ambiente

Mano de
obra

Figura N 8

22

Control Estadstico de los Procesos

6.3.

Ejercicio 3
Mencione, para cada caso, dos ejemplos CONCRETOS de causas
asignables que generen la deformacin mostrada en la curva normal de
distribucin de un determinado proceso productivo:

Las medidas se cargan a la derecha

- ________________________________
- ________________________________
Las medidas se cargan a la izquierda
- _______________________________
- _______________________________
Las medidas
diferentes

forman

dos

grupos

- ________________________________
- ________________________________

6.4.

Ejercicio 4
Una fbrica de autopartes produce un determinado eje, cuya dimensin
crtica es un dimetro donde deber alojarse un rodamiento. Tras
muestrear 120 de estos ejes se obtuvo la siguiente distribucin de
frecuencias:
Cuadro N 08

Distribucin de frecuencias
Intervalo
Frecuencia
64.980 - 64.984
64.985 - 64.989
64.990 - 64.994
64.995 - 64.999
65.000 - 65.004
65.005 - 65.009
65.010 - 65.014
65.015 - 65.019

7
10
19
23
22
20
13
6

Calcular, de manera aproximada, el promedio y la desviacin estndar

de la muestra.

Control Estadstico de los Procesos

23

Cuadro N 09

EJE #024-0711-1970
DIMETRO PARA RODAMIENTO (mm)
resumen numrico de la distribucin de frecuencias
m
f
f.m
m-x
(m-x)2
f.(m-x)2
200000002 2000 000044 -00018.7 3400009.69 000000699.38

x=

S2=
S=

6.5.

Ejercicio 5
Una fbrica de autopartes produce un determinado eje, cuya dimensin
crtica es un dimetro donde deber alojarse un rodamiento. Tras
muestrear 120 de estos ejes se obtuvo la siguiente distribucin de
frecuencias:
Cuadro N 10

Distribucin de frecuencias
Intervalo
Frecuencia
64.980 - 64.984
64.985 - 64.989
64.990 - 64.994
64.995 - 64.999
65.000 - 65.004
65.005 - 65.009
65.010 - 65.014
65.015 - 65.019

24

7
10
19
23
22
20
13
6

Control Estadstico de los Procesos

El encargado del proceso le solicita elaborar el histograma

correspondiente, pero le pide que considere cero = 65,000 mm.
Grafique el histograma solicitado y analice el resultado. Adems:
Piensa que es mejor ver el histograma o basta con la distribucin de
frecuencias? Son correctos los valores en el eje horizontal?

Figura N 9

7.

PREGUNTAS DE AUTOCOMPROBACIN
1. Cmo se relacionan los procesos industriales, la estadstica y la calidad?
2. Cmo se clasifican las caractersticas de la calidad?
3. Cules son las categoras en las que se agrupan los costos de la calidad?
4. Cules son los principios bsicos de la estadstica?
5. Cules son las dos medidas ms importantes que permiten resumir
numricamente un conjunto de datos muestrales?
6. Qu finalidad y qu limitacin tiene un histograma de frecuencias?

Control Estadstico de los Procesos

25

8.

RESPUESTAS AL CUESTIONARIO

9.

1.

Se busca de asegurar la calidad de los procesos industriales mediante el

empleo de tcnicas estadsticas.

2.

Variables.
Atributos.

3.

De prevencin.
De evaluacin.
De fallas internas.
De fallas externas.

4.

No hay dos cosas iguales.

Variaciones medibles.
Patrn para las variaciones.
Tendencia hacia el centro.
Curva de distribucin conocida.
Deformacin por causas asignables.

5.

Promedio muestral.
Desviacin estndar muestral.

6.

Finalidad: condensar grficamente un conjunto de datos.

Limitacin: no da informacin temporal.

REFERENCIAS
1. Lord Kelvin (1824 1907). Cientfico britnico, nacido como William
Thomson en Belfast, Irlanda. Desarroll la escala de temperaturas absolutas
que lleva su nombre.

Figura N 10

26

Control Estadstico de los Procesos

2. La forma de la curva normal de distribucin es tan definida que se puede

establecer con bastante exactitud el porcentaje de lecturas en diferentes
secciones de la curva. Existen tablas que permiten en la denominada curva
normal estndar obtener estos porcentajes y adaptarlos, gracias a unas
simples relaciones matemticas, a curvas particulares.
3. Kaoru Ishikawa (1915 1989). Representante emblemtico del Control de la
Calidad en el Japn. Desarroll el diagrama de causa-efecto que resalta el
hecho que los problemas no tienen una causa nica.

Figura N 11
4. En estadstica existen tambin la mediana y la moda, que son medidas que
permiten cuantificar las deformaciones de la curva normal de distribucin.

Control Estadstico de los Procesos

27